[發明專利]一種應用于交通標志識別的深度卷積神經網絡方法

在審

• 申請號: 201810358621.5
• 申請日: 2018-04-20
• 公開（公告）號: CN108564048A
• 公開（公告）日: 2018-09-21
• 發明（設計）人: 宋麗梅;林文偉;郭慶華
• 申請（專利權）人: 天津工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于機器視覺領域，涉及一種應用于交通標志識別的深度卷積神經網絡方法。該方法通過深度卷積神經網絡對交通標志進行訓練，建立應用于交通標志識別的深度卷積神經網絡模型。經過測試選出最優的深度卷積神經網絡模型，利用彩色攝像機采集交通標志，由最優的深度卷積神經網絡模型對交通標志進行識別。本發明設計的深度卷積神經網絡，可以有效的解決光照環境多變的交通標志識別的難題。

技術領域

本發明涉及一種應用于交通標志識別的深度卷積神經網絡方法，更具體的說，本發明涉及一種能夠用于復雜環境下的交通標志識別的深度卷積神經網絡方法。

背景技術

深度學習是目前人工智能、機器學習領域異常火熱的研究方向，已經在語音識別、圖像識別、自然語言處理等諸多領域取得了突破性進展，對學術界和工業界產生了深遠的影響。深度學習也開始逐步應用在交通標志識別系統中解決交通堵塞、交通事故頻繁發生等問題。機器視覺方法在交通標志識別系統中已經取得了不錯的成果。目前出現的針對交通標志識別的方法研究，主要有以下幾種機器視覺方法：模板匹配法、近鄰法、人工神經網絡算法、SVM等。模板匹配法直接將分類的圖像與設定好的模板圖像進行匹配比對，在環境多變的交通標志圖片中并不能實現很好的分類效果。Escalera等人曾經提出直接基于顏色閾值的分割算法，在RGB顏色空間設定閾值進行分割得到感興趣區域，然后利用交通標志的形狀特征等信息來進行二次檢測，但是該方法受光照、樣本等影響較大。谷明琴等人利用歐式距離和支持向量機分類器完成交通標志分類識別，并獲得較高識別率，但由于交通標志種類多且部分交通標志存在相似性，交通標志所處環境復雜，光照變化多樣，汽車駕駛過程出現的顛簸使圖像出現畸變、模糊現象等問題，無法成熟地應用在實際生活中。深度卷積神經網絡作為深度學習的方法之一，具有很強的學習能力，能從大量樣本數據中提取隱藏的特征在，圖像分類中處于佼佼者的地位。目前，在國際圖像識別大賽中獲得最好成績的團隊都采用了深度卷積神經網絡。為了解決無法在復雜環境變化下識別交通標志難題，本發明基于卷積神經網絡的方法，設計了一種新的基于深度卷積神經網絡方法的交通標志識別方法。

發明內容

本發明設計了一種應用于交通標志識別的深度卷積神經網絡方法，該方法能夠應用于環境多變下的交通標志識別，完成交通標志所處環境復雜，光照變化多樣，汽車駕駛過程出現的顛簸使圖像出現畸變、模糊現象等情況下的交通標志識別。

所述的深度卷積神經網絡方法的硬件系統包括：

用于精度控制、圖像采集和數據處理的計算機；

用于采集圖像的彩色攝像機；

用于放置所所述的彩色攝像機的操作平臺；

本發明所設計的一種應用于交通標志識別的深度卷積神經網絡方法，其特征是：對交通標志圖像進行識別分類，步驟如下：

步驟1：選取含有N類交通標志的數據集，所述的交通標志數據集包含訓練圖像X張，測試圖像Y張，將所述的數據集的圖像大小統一設置為3通道像素值為32×32的圖像；

步驟2：深度卷積神經網絡模型的第一層輸入層參數I₁＝m₁×m₁×n₁，設置m₁＝32，n₁＝3；

步驟3：步驟2中所述的深度卷積神經網絡模型的第二層卷積層參數C₁＝m₂×m₂×n₂，設置m₂＝7，n₂＝6；

步驟4：步驟2中所述的深度卷積神經網絡模型的第三層卷積層參數C₂＝m₃×m₃×n₃，設置m₃＝5，n₃＝12；